La combinación de datos de varios usuarios no es el problema aquí. Es bastante fácil tomar la unión de los datos de n usuarios (promediando donde sea necesario) para crear un “superusuario” para recomendar de la misma manera que recomendaría a 1 usuario.
También puede recomendar a n usuarios individualmente, y combinar los resultados para crear una lista final de recomendaciones (promediar cuando sea necesario). Esto también es completamente compatible con un sistema que sabe recomendar a 1 usuario.
Estos dos enfoques funcionan bastante bien en la mayoría de los casos. Solo me molestaría con algo más sofisticado donde sabes que es necesario. Puedes detenerte aquí y no te perderás mucho. Yo creo que.
- Los hiperparámetros del modelo de sintonización no encontraron los parámetros óptimos que uso en mi modelo. ¿Por qué?
- Desde la perspectiva de la ciencia de datos, ¿qué salió mal al predecir las elecciones presidenciales de 2016 en los Estados Unidos?
- ¿Cuál es una buena fuente para aprender la optimización convexa?
- ¿Qué es el remuestreo en el aprendizaje automático?
- ¿Debemos usar el ajuste fino en redes neuronales profundas? La precisión de la clasificación es del 100%, pero después de un ajuste fino, se convierte en el 95.7%, ¿cómo llega esto?
Pero: se vuelve más sofisticado cuando se considera que, a veces, la mejor recomendación para un grupo no es la que mejor se adapte a los gustos promedio del grupo, o cuya media coincida con los gustos individuales es más alta. Considere 5 amigos: 4 como un buen bistec y 1 es vegetariano. Por cualquier métrica, un asador es probablemente la mejor recomendación, pero ¿estos 5 realmente elegirían hacer que su amigo coma puré de papas para la cena?
Un refinamiento común del algoritmo es clasificar los ítems por puntaje mínimo en todas las partes: recomendar ítems cuyo puntaje mínimo en el grupo sea mayor.
Aquí hay un documento que sugiere un proceso que pondera los elementos en función de los cuales es probable que sean ‘controvertidos’: http: //www.ccm.media.kyoto-u.ac….
Vea la respuesta de Paulo (con algo más de mí) en esta pregunta relacionada: ¿Cuáles son los algoritmos más eficientes para recomendar elementos a grupos de usuarios?
